2025-01-21 に確認した最新投稿の一部です。
Article: 1
Title:
Computational Protein Science in the Era of Large Language Models (LLMs)
Published:
2025-01-17
Authors:
Wenqi Fan, Yi Zhou, Shijie Wang, Yuyao Yan, Hui Liu, Qian Zhao, Le Song, Qing Li
Abstract:
タンパク質の重要性を考慮すると、計算タンパク質科学は常に重要な科学分野であり、タンパク質の配列-構造-機能パラダイム内で知識を明らかにし、アプリケーションを開発することに専念してきました。過去数十年で、人工知能(AI)は計算タンパク質科学に大きな影響を与え、特定のタンパク質モデリングタスクで顕著な成功を収めました。しかし、これらの従来のAIモデルには、タンパク質配列の意味を理解するのが難しい、幅広いタンパク質モデリングタスクを一般化できないなどの制限があります。最近、LLMは、その前例のない言語処理および一般化機能により、AIのマイルストーンとして浮上しています。彼らは、個々の課題を解決するのではなく、分野の包括的な進歩を促進することができます。その結果、研究者は計算タンパク質科学にLLM技術を積極的に導入し、タンパク質の基礎知識を巧みに把握し、効果的に一般化して多様な配列-構造-関数推論問題を解決できるタンパク質言語モデル(pLM)を開発しました。繁栄する発展を目の当たりにしながら、LLM技術によって強化された計算タンパク質科学の体系的な概要を提示する必要があります。まず、既存のpLMを、その習得したタンパク質知識、すなわち、基礎となる配列パターン、明示的な構造情報および機能情報、および外部科学言語に基づいてカテゴリに要約します。次に、pLMの利用と適応について紹介し、タンパク質構造予測、タンパク質機能予測、およびタンパク質設計研究の促進における顕著な成果に焦点を当てます。次に、抗体設計、酵素設計、創薬におけるpLMの実用化について述べます。最後に、この急成長している分野における有望な将来の方向性について具体的に説明します。
Article: 2
Title:
Published:
2025-01-17
Authors:
Yuecheng Liu, Dafeng Chi, Shiguang Wu, Zhanguang Zhang, Yaochen Hu, Lingfeng Zhang, Yingxue Zhang, Shuang Wu, Tongtong Cao, Guowei Huang, Guangjian Tian, Xingyue Quan, Jianye Hao, Yuzheng Zhuang
Abstract:
空間的推論は、エンボディドAI研究において重要な問題です。補足的な空間データと微調整を通じて空間的推論能力を強化する努力は、主に言語ベースの出力に依存しているため、複雑な具体化されたタスクに対処する際には限定的で効果がないことが証明されています。この問題を軽減するためにポイントベースのアクションスペースを導入したアプローチもありますが、複雑な環境内でより複雑なタスクを管理するには不十分です。この欠陥は、Vision-Language Models(VLM)の基本的な強みである固有の思考能力と推論能力を十分に活用していないことに起因しています。これらの制限に対処するために、VLM の空間推論機能を強化するために特別に設計された SpatialCoT という新しいアプローチを提案します。私たちのアプローチは、視覚言語の入力を空間座標に合わせる空間座標双方向アライメントと、言語モデルの推論能力を活用して高度な空間推論を行う思考連鎖空間グラウンディングの2つの段階で構成されています。SpatialCoTは、シミュレーションと実世界の設定の両方で、困難なナビゲーションおよび操作タスクで評価します。実験結果は、私たちの方法が両方のタスクで以前の最先端のアプローチを大幅に上回っていることを示しています。
Article: 3
Title:
Enhancing AI Transparency: XRL-Based Resource Management and RAN Slicing for 6G ORAN Architecture
Published:
2025-01-17
Authors:
Suvidha Mhatre, Ferran Adelantado, Kostas Ramantas, Christos Verikoukis
Abstract:
本研究では、ORANアーキテクチャにおける深層強化学習(DRL)エージェントの意思決定プロセスを解明するために設計された、高度な説明可能人工知能(XAI)フレームワークを紹介します。提案されたスキームは、ネットワーク指向の説明を提供することにより、リソース管理と割り当てのためのDRLエージェントの制御アクションを理解し最適化するという重要な課題に対処します。従来の手法は、モデルに依存しないアプローチとモデル固有のアプローチの両方で、RAN スライシングの動的で複雑な環境で XAI が提示する固有の課題に対処できません。このホワイトペーパーでは、インテントベースのアクションステアリングを組み込むことでこれらの制限を超え、さまざまな運用タイムスケールでの正確な組み込みと構成を可能にします。これは、xAPPとrAPPがそれぞれほぼリアルタイムおよび非リアルタイムのRICに座っていることで特に顕著であり、システムの適応性とパフォーマンスが向上しています。私たちの調査結果は、DRLエージェントによる複数の制御パラメータを含む情報に基づいたマルチモーダルな意思決定を行う能力によって促進される、主要業績評価指標(KPI)ベースの報酬の改善に対するフレームワークの大きな影響を示しています。したがって、私たちの仕事は、ORANリソース管理戦略の最適化におけるXAIの実用化と有効性における重要な一歩を踏み出しました。
Article: 4
Title:
Explainable artificial intelligence (XAI): from inherent explainability to large language models
Published:
2025-01-17
Authors:
Fuseini Mumuni, Alhassan Mumuni
Abstract:
人工知能(AI)は、近年、大きな成功を収め続けています。しかし、これらのフレームワークの意思決定ロジックは透明性がないことが多く、ステークホルダーが彼らの行動を理解、解釈、説明することが難しくなっています。この制限は、機械学習システムへの信頼を妨げ、特にヘルスケアや自動運転などのミッションクリティカルな領域での実際のアプリケーションでの機械学習システムの採用に一般的に消極的になります。説明可能なAI(XAI)技術は、機械学習モデルの説明可能性または解釈可能性を促進し、ユーザーが決定の基礎を識別し、望ましくない動作を回避できるようにします。この包括的な調査では、本質的に解釈可能なモデルから、大規模言語モデル(LLM)を含むさまざまなブラックボックスモデルの解釈可能性を実現するための最新のアプローチまで、説明可能なAI手法の進歩について詳しく説明しています。さらに、LLMとビジョン言語モデル(VLM)フレームワークを活用して、他の機械学習モデルの説明可能性を自動化または改善する説明可能なAI技術をレビューします。解釈可能性の方法としてLLMとVLMを使用すると、特に、モデルの決定と動作の高レベルで意味のある説明が可能になります。この論文全体を通して、最先端の方法の科学的原理、長所と短所を強調し、改善のさまざまな領域を概説しています。必要に応じて、さまざまな方法の定性的および定量的な比較結果も提示し、それらがどのように比較されるかを示します。最後に、XAI の主な課題と今後の研究の方向性について説明します。
Article: 5
Title:
Published:
2025-01-17
Authors:
Jiawei Xu, Zhandos Sembay, Swathi Thaker, Pamela Payne-Foster, Jake Yue Chen, Ying Ding
Abstract:
本稿では、生物医学分野に焦点を当てた約28,000人の専門家と1,000のデータセットからなる詳細なセマンティック空間であるCell Map for AI Talent Knowledge Graph(CM4AI TKG)のインタラクティブな可視化を紹介します。当社のツールは、トランスフォーマーベースの埋め込み、WebGL視覚化技術、生成AI、特に大規模言語モデル(LLM)を活用して、応答性が高くユーザーフレンドリーなインターフェースを提供します。この視覚化は、約29,000のノードの探索をサポートし、ユーザーが健康および生物医学研究分野の潜在的な共同研究者やデータセットユーザーを特定するのを支援します。当社のソリューションは、特に大規模なインタラクティブグラフの処理において、Gephiのような従来のグラフ視覚化ツールの制限を超えています。GPT-4oを利用して、推奨される共同研究者やデータセットユーザーに詳細な正当化を提供し、情報に基づいた意思決定を促進します。主な機能には、レスポンシブ検索と探索、GenAI主導のレコメンデーションなどがあり、これらはすべて生物医学とAI研究のランドスケープの収束を微妙に表現することに貢献しています。この適応可能な視覚化フレームワークは、Bridge2AIおよびCM4AIコミュニティに利益をもたらすだけでなく、他の生物医学知識グラフに拡張することができ、ユーザーインタラクションとデータ探索の改善を通じて医療AIとヘルスケアイノベーションの進歩を促進します。デモンストレーションは、https://jiawei-alpha.vercel.app/ で入手できます。